⚡ electrical engineering

BOOST: Microgrid Sizing using Ordinal Optimization

تقدم هذه الورقة تقنية BOOST، وهي تقنية تحديد حجم هجينة تجمع بين التحسين الترتيبي والبرمجة الخطية للأعداد الصحيحة المختلطة لتحديد تكوينات الشبكات الدقيقة السكنية المثلى بكفاءة من خلال فحص المرشحين بنموذج بسيط قبل إعادة تقييم الأكثر واعدية منها بنموذج تشغيل مفصل، مما يقلل بشكل كبير من وقت التشغيل الحسابي مع الحفاظ على الدقة عبر مختلف الاختبارات المعيارية الاصطناعية.

المؤلفون الأصليون: Mohamad Chehade, Sami Karaki

نُشر 2026-04-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mohamad Chehade, Sami Karaki

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول بناء نظام طاقة لمنزل يعمل خارج الشبكة الكهربائية (Off-grid) بشكل مثالي. عليك أن تقرر شيئين كبيرين:

ما هو الحجم المناسب لـ مصفوفة الألواح الشمسية؟
ما هو الحجم المناسب لـ تخزين البطاريات؟

لديك أيضاً مولد ديزل احتياطي، ولديك إمكانية الوصول إلى شبكة الكهرباء الرئيسية، لكنك تريد استخدامهما بأقل قدر ممكن لتوفير المال.

المشكلة هي أن هناك آلاف التوليفات الممكنة من أحجام الألواح الشمسية والبطاريات. إذا حاولت اختبار كل توليفة واحدة لمعرفة أيها سيوفر أكبر قدر من المال على مدار عام، فسيستغرق الأمر من سوبر كمبيوتر سنوات لمعالجة هذه الأرقام. الأمر يشبه محاولة العثور على أفضل مسار عبر متاهة عن طريق المشي في كل مسار واحد تلو الآخر.

تقدم هذه الورقة البحثية اختصاراً ذكياً يسمى BOOST (تقنية تحسين حجم البطارية والشمس بناءً على الترتيب). وإليك كيف يعمل، باستخدام تشبيه بسيط:

التشبيه: "اختبار التذوق" مقابل "المأدبة الكاملة"

تخيل أنك طاهٍ يحاول العث Hunt عن أفضل وصفة حساء واحدة من بين 1,000 وصفة محتملة.

الطريقة "المكلفة" (الطريقة القديمة): تقوم بطبخ كل وصفة حساء من الوصفات الألف بإتقان، وتقديمها للجنة من الحكام، وانتظار مراجعاتهم التفصيلية. هذا يستغرق وقتاً طويلاً ويستهلك جميع مكوناتك.
طريقة "BOOST": تدرك أنك لست بحاجة لطبخ الحساء الكامل والمثالي لكل وصفة لتعرف أي منها واعد.

الخطوة 1: "اختبار التذوق" (النموذج البسيط)
تأخذ ملعقة من كل حساء وتتذوقها بسرعة. لا تهتم بعد بالتوابل المثالية أو وقت الطهي الدقيق؛ أنت فقط تريد أن تعرف: "هل هذا الحساء سيء، أم مقبول، أم مذهل؟"

تقوم بتصنيفها من "الأسوأ" إلى "الأفضل" بناءً على هذا التذوق السريع.
تتخلص من الـ 900 حساء التي كان طعمها سيئاً أو "مقبولاً" فقط.

الخطوة 2: "المأدبة الكاملة" (النموذج الدقيق)
الآن، يتبقى لديك 100 حساء فقط. تأخذ أفضل 18 حساء من اختبار التذوق السريع الخاص بك وتطبخها بإتقان. تقدمها للحكام مع كامل التفاصيل.

لأن اختبار التذوق السريع الخاص بك كان جيداً في تحديد الترتيب (التصنيف)، فإن الحساء "الأفضل" في الاختبار السريع هو بالتأكد تقريباً هو "الأفضل" في المأدبة الكاملة.

لماذا يعد هذا ذكياً؟

إنه يوفر الوقت: بدلاً من طبخ 1,000 وجبة مثالية، تطبخ 1,000 عينة سريعة و18 وجبة مثالية فقط. تُظهر الورقة أن هذا يقلل الوقت إلى النصف (يوفر حوالي 52% من قوة الحوسبة).
إنه دقيق: تثبت الرياضيات أنه على الرغم من أن "التذوق السريع" ليس مثالياً، إلا أنه يضبط الترتيب بشكل صحيح. إذا كان الحساء (أ) أفضل من الحساء (ب) في الاختبار السريع، فمن المؤكد تقريباً أنه سيكون أفضل من الحساء (ب) في الاختبار الكامل أيضاً.
إنه يتعامل مع "مشكلة الديزل": الجزء الصعب في أنظمة الطاقة هذه هو مولد الديزل. إنه يشبه سيارة مكلفة في التشغيل ولكنها رخيصة في التشغيل بمجرد انطلاقها. لا يمكنك تشغيله لفترة قصيرة جداً؛ بل يجب أن يعمل بسرعة معينة كحد أدنى. تستخدم الورقة نموذجاً رياضياً معقداً للغاية (MILP) للتعامل مع منطق "بدء التشغيل" هذا، ولكن فقط للمرشحين الأفضل، وليس لآلاف الخيارات السيئة.

ماذا وجدوا؟

اختبر الباحثون هذه الطريقة باستخدام "عام وهمي" ولكنه واقعي من حيث الطقس وأسعار الكهرباء (مجموعة بيانات اصطناعية).

الفائز: وجدوا أن الإعداد الأفضل كان بطارية بسعة 500 كيلووات ساعة (تكفي لتشغيل منزل ليوم أو يومين) و 1,833 كيلووات من الألواح الشمسية.
التكلفة: يكلف هذا الإعداد حوالي 13.2 سنتاً لكل كيلووات ساعة، وهي صفقة رائعة.
الدليل: عندما قارنوا طريقة "BOOST" بالطرق الأخرى (مثل التخمين أو استخدام رياضيات أبسط)، وجدت BOOST الحل الأفضل بشكل أسرع وأرخص.

الخلاصة

هذه الورقة لا تكتفي بالقول "إليك حجم البطارية". بل تعطينا طريقة جديدة للتفكير في حل المشكلات الصعبة. بدلاً من محاولة أن نكون مثاليين في كل خطوة، تقول: "دعونا نكون سريعين وجيدين في فرز الأمور أولاً، ثم نكون مثاليين فقط مع الفائزين."

الأمر يشبه توظيف كشاف للعثور على أفضل الرياضيين في ملعب ضخم. لا يحتاج الكشاف إلى توقيت كل عداء باستخدام ساعة توقيت؛ بل يحتاج فقط إلى مراقبة من يبدو الأسرع، واختيار أفضل 20 منهم، ثم استخدام ساعة التوقيت لهؤلاء العشرين. ستحصل على نفس النتيجة، ولكن في جزء بسيط من الوقت.

إليك ملخص تقني مفصل لورقة البحث بعنوان "BOOST: تحديد حجم الشبكات الدقيقة باستخدام التحسين الترتيبي".

1. بيان المشكلة

تتناول الورقة البحثية مشكلة تحديد الحجم للشبكات الدقيقة السكنية التي تدمج توليد الطاقة الكهروضوئية (PV)، وتخزين البطاريات، والديزل الاحتياطي، والربط مع الشبكة الكهربائية.

التحدي الجوهي: عملية تحديد الحجم (تحديد السعة) والتشغيل (توزيع الطاقة) مرتبطان ارتباطاً وثيقاً. فالتكوين المحدد للبطارية والخلايا الكهروضوئية لا يكون مجدياً اقتصادياً إلا إذا أمكن تشغيله بكفاءة بمرور الوقت.
العقبة الحسابية: يتطلب إيجاد الحجم الأمثل حل مسألة تحسين تشغيلي لكل تصميم مرشح في مساحة بحث واسعة.
- النهج الدقيق: استخدام البرمجة الخطية للأعداد الصحيحة المختلطة (MILP) لكل مرشح هو نهج دقيق للغاية (يلتقط قيود الحمل الأدنى لمولد الديزل) ولكنه مكلف حسابياً (مسألة NP-hard)، مما يجعل البحث الشامل غير ممكن.
- النهج التقريبي: تعتمد الخوارزميات الاستدلالية (Heuristics) أو البرمجة الديناميكية (DP) على توسيع نطاق العمل بشكل أفضل، ولكنها غالباً ما تعتمد على مساحات حالة مجزأة أو منطق جشع (Greedy logic)، مما قد يؤدي إلى تدهور جودة التشغيل والفشل في استيعاب القيود التشغيلية المعقدة (مثل منطق التزام مولد الديزل).

2. المنهجية: BOOST

يقترح المؤلفون منهجية BOOST (تقنية تحديد الحجم بالتحسين الترتيبي للبطارية والشمس)، وهي إطار عمل يتكون من مرحلتين يجمع بين التحسين الترتيبي (Ordinal Optimization - OO) والبرمجة الخطية للأعداد الصحيحة المختلطة (MILP). الفلسفة الأساسية هي أن الحفاظ على ترتيب التصاميم كافٍ لإيجاد حل "جيد بما يكفي"، حتى لو تم تقريب قيم التكلفة الفعلية.

المرحلة الأولى: الفرز (النموذج البسيط)

النموذج: يتم استخدام البرمجة الخطية (LP) لتقييم مجموعة كبيرة من $N$ من التصاميم المرشحة.
المنطق: يتجاهل هذا النموذج القيود الثنائية (Binary constraints) للأحمال الدنيا لمولد الديزل (باعتبارها متغيراً مستمراً) لضمان سرعة الحساب.
الهدف: تقليل مجموع تكاليف التشغيل (الشبكة + الديزل) وتكاليف الاستثمار السنوية.
العملية: يتم ترتيب الـ $N$ من التصاميم بناءً على إجمالي تكلفتها. ويتم اختيار أفضل $s$ من التصاميم لإعادة التقييم.
اختيار المعلمات:
- يتم حساب $N$ لضمان احتمالية عالية ( $P$ ) لوجود تصميم واحد على الأقل من "الأداء العالي" ضمن العينة.
- يتم تحديد $s$ باستخدام نظرية احتمالية المحاذاة لضمان احتواء أفضل $s$ من التصاميم على الحل الأمثل العالمي بثقة عالية.

المرحلة الثانية: إعادة التقييم (النموذج الدقيق)

النموذج: يتم إعادة تقييم أفضل $s$ من المرشحين من المرحلة الأولى باستخدام MILP.
المنطق: يتضمن هذا النموذج متغيرات ثنائية ( $u_D$ ) لفرض عتبة القدرة الدنيا لمولد الديزل ( $P^{min}_D$ )، مما يضمن الواقعية التشغيلية.
النتيجة: يتم اختيار التصميم ذو التكلفة الإجمالية الأقل من بين هذه الـ $s$ من المرشحين باعتباره حل تحديد الحجم الأمثل النهائي.

3. المساهمات الرئيسية

خوارزمية هجينة: تقترح دمجاً مبتكراً للتحسين الترتيبي مع MILP لتحديد حجم الشبكة الدقيقة، مما يسد الفجوة بين السرعة الحسابية والدقة التشغيلية.
تحديث منهجي: تحديث التحليل الكمي باستخدام مجموعة بيانات معيارية اصطناعية جديدة تم إنشاؤها من إعادة تنفيذ نظيفة. تتضمن هذه المجموعة خمسة سيناريوهات:
- الحالة الأساسية (Base case)
- بطارية رخيصة
- خلايا كهروضوئية رخيصة
- ديزل باهظ الثمن
- تعرفة ذروة مرتفعة
التحقق من قوة الترتيب: تثبت أن نموذج LP البسيط يحافظ على ترتيب التصاميم بشكل مثالي تقريباً مقارنة بـ MILP الدقيق، مما يؤكد صلاحية استخدام OO لتقليص مساحة البحث.
التفوق التشغيلي: تُظهر أن المحلل الداخلي القائم على MILP يتفوق على البرمجة الديناميكية (DP) والاستراتيجيات الجشعة (Greedy) من حيث التكلفة المستوية للطاقة (LCOE).

4. النتائج الرئيسية

تستند النتائج إلى شبكة تصميم $10 \times 10$ (100 مرشح) ومعلمات محددة من نوع "نمط الورقة البحثية" وهي $N=90$ و $s=18$ .

التصميم الأمثل (الحالة الأساسية):
- التكوين: بطارية 500 كيلوواط ساعة + خلايا كهروضوئية 1833.3 كيلوواط.
- الأداء: يحقق LCOE قدره 13.169 سنت/كيلوواط ساعة.
دقة الترتيب:
- معامل ارتباط رانك سبيرمان ( $\rho$ ) بين فرز LP والترتيب الدقيق لـ MILP هو 1.000، مما يشير إلى أن النموذج البسيط يرتب التصاميم بشكل مثالي.
- استعادت أفضل 18 تصميماً ( $s=18$ ) نسبة 100% من أفضل 10 تصميمات ومن الحل الأمثل العالمي.
الكفاءة الحسابية:
- MILP الشامل: 169.9 ثانية.
- BOOST (90 LP + 18 MILP): 82.0 ثانية.
- التوفير: انخفاض بنسبة 51.8% في وقت التشغيل مقارنة بالتقييم الشامل.
المقارنة مع النماذج المرجعية:
- BOOST مقابل DP: BOOST أفضل قليلاً (13.169 مقابل 13.178 سنت/كيلوواط ساعة).
- BOOST مقابل Greedy: BOOST أفضل بشكل ملحوظ (13.169 مقابل 13.251 سنت/كيلوواط ساعة).
تحليل الحساسية: أكدت البيانات الاصطناعية أن المنهجية تتكيف بشكل صحيح مع التحولات الاقتصادية (على سبيل المثال، البطاريات الأرخص تؤدي إلى سعات تخزين أكبر؛ الديزل الأغلى يقلل الاعتماد عليه).

5. الأهمية

القابلية للتوسع: توفر BOOST حلاً قابلاً للتوسع لتخطيط الشبكات الدقيقة حيث يكون تقييم MILT الشامل بطيئاً جداً لمساحات البحث الكبيرة، بينما تفتقر الطرق الاستدلالية إلى الدقة اللازمة للبنية التحتية الحيوية.
الواقعية التشغيلية: من خلال استخدام MILP للاختيار النهائي، تضمن الطريقة أن التصميم المختار يحترم القيود الفيزيائية (مثل الأحمال الدنيا للديزل) التي قد تغفل عنها النماذج الأبسط.
الصرامة المنهجية: تتجاوز الورقة الادعاءات النظرية من خلال تقديم مجموعة معيارية اصطناعية صارمة وقابلة لإعادة الإنتاج. وهي تثبت أن "معلومات الترتيب" قوية تجاه ضوضاء التقدير، مما يسمح للمهندسين بفرز آلاف التصاميم بسرعة دون التضحية بجودة الحل النهائي.
التطبيق العملي: يوفر سير العمل مساراً واضحاً وفعالاً حسابياً للمرافق والمخططين لتحديد سعات الخلايا الكهروضوئية والبطاريات المثلى تحت ظروف اقتصادية متغيرة.